本发明涉及一种驾驶疲劳预警方法，属于车载设备技术领域。
背景技术：
疲劳驾驶导致的交通事故量也随之一度攀升。据调查，我国与疲劳相关的交通事故占事故总数的20％左右，占重特大交通事故的40％以上，目前市场上缺乏针对性强、技术成熟的交通安全保障设施来针对疲劳驾驶，疲劳驾驶状态下发生事故或接近发生事故的风险是清醒驾驶状态下的4至6倍。驾驶疲劳是一种心里、生理的状态变化过程，难以像酒驾一样用定量的生理指标进行衡量。
现有的防疲劳车载设备从驾驶疲劳检测的指标来看，检测方法主要分为：主观疲劳驾驶检测以及客观疲劳驾驶检测。主观检测方法主要有皮尔逊疲劳量表、驾驶员自我记录表、斯坦福睡眠尺度表、膝腱反射机能检测等；客观检测方法主要分为：通过基于车辆行为特的疲劳驾驶检测指标，例如车辆偏移以及方向盘转角，经过大量实验表明车辆行为与驾驶员驾驶状态的相关性较低；基于驾驶员生理信息的检测指标，例如ecg、脉搏、肌电，尽管此类指标与驾驶状态相关性较高，但侵入性较强，对驾驶员驾驶状态影响较大。
技术实现要素：
本发明的目的在于提供一种驾驶疲劳预警方法，解决现有驾驶疲劳检测方法对驾驶员侵入性高，获取的数据与驾驶状态相关性较低的技术缺陷。
一种驾驶疲劳预警方法，包括如下步骤：
步骤1：获取驾驶员的面部帧图像，基于面部帧图像从云服务器获取个人数据；
步骤2：获取面部帧图像，在面部帧图像上定位眼部区域以及嘴部区域；
步骤3；获取眼睛状态，总帧数加一，并判断当前面部帧图像中眼睛的闭合状态，
当眼睛是闭合状态时，闭眼帧数加一；
获取嘴部状态，判断当前面部帧图像中嘴部的张开状态，
当嘴部是张开状态时，获取开口度，存入开口度集，张开帧数加一；
步骤4：对总帧数以及嘴部张开状态变化进行判断
当总帧数达到预设处理帧数时，基于闭眼帧数以及帧数总数计算闭眼占比，重置帧数总数，执行步骤5；
当未达到预设处理帧数时，执行步骤2至步骤4；
当嘴部由张开状态变成闭合状态时，从开口度集中获取最大开口度，通过张开帧数计算张口持续时间，重置开口度集，重置张开帧数，执行步骤5；
当嘴部张开状态未变化时，执行步骤2至步骤4；
步骤5：判断个人数据中是否有个人疲劳标准数据，
当没有个人疲劳标准数据时，执行步骤a51；
当有个人疲劳标准数据时，执行步骤b51；
步骤a51：将所述步骤4中的闭眼占比与预设闭眼占比数据比较，
当闭眼占比大于预设闭眼占比数据时，判断驾驶员处于疲劳状态；
将所述步骤4中的最大开口度与预设开口度标准数据比较，并将张口持续时间与预设张口时间比较，
当最大开口度大于预设开口度标准数据以及张口持续时间大于预设张口时间时，判断驾驶员正在打哈欠；
执行步骤2至步骤4；
步骤b51：从个人疲劳标准数据中获取个人闭眼占比数据，将所述步骤4中的闭眼占比与个人闭眼占比数据比较，
当闭眼占比大于个人闭眼占比数据时，判断驾驶员处于疲劳状态；
从个人疲劳标准数据中获取个人开口度标准数据以及个人张口时间，将所述步骤3中最大开口度与个人开口度标准数据比较，并将张口持续时间与个人张口时间比较
当最大开口度大于个人开口度标准数据以及张口持续时间大于个人张口时间时，判断驾驶员正在打哈欠；
执行步骤2至步骤4。
进一步地，所述个人疲劳标准数据为疲劳度受训相关向量机，
所述步骤5中判断个人数据中是否有个人疲劳标准数据即为判断个人数据中是否有疲劳度受训相关向量机；
所述步骤b51中，将闭眼占比放入疲劳度受训相关向量机或将最大开口度以及张口持续时间放入疲劳度受训相关向量机，基于疲劳度受训相关向量机的计算结果判断驾驶员疲劳状态。
进一步地，在所述步骤a51后还包括如下步骤：
步骤a52：将闭眼占比、最大开口度、张口持续时间以及步骤a51中对应的判断结果作为训练用数据存入训练数据集，当训练数据集中数据量达到预设数据集量时，通过训练数据集建立疲劳度受训相关向量机。
进一步地，所述预设闭眼占比数据为0.4，所述预设开口度标准数据为0.65，所述预设张口时间为2.1s。
进一步地，所述步骤2中通过camshift算法对面部进行跟踪，通过adaboost算法获取面部帧图像。
与现有技术相比，本发明的有益效果是：
本发明方法主要通过对驾驶员面部图像中的眼部状态以及嘴部状态进行监控来获取驾驶员疲劳状态，闭眼持续时间占比较高时可以反映驾驶员处于疲劳状态，嘴部开口度加大且张口持续时间较长时可以反映驾驶员在打哈欠，本发明方法对驾驶员没有的驾驶状态进行侵入，闭眼持续时间占比、开口度以及张口持续时间与驾驶状态的相关度较高。
本发明方法运用计算疲劳度的疲劳度受训相关向量机对闭眼占比、最大开口度以及张口持续时间进行疲劳状态的判断，可以提高判断准确性。本发明通过实时数据建立疲劳度受训相关向量机，建立的疲劳度受训相关向量机是针对个人的，运用实时数据建立疲劳度受训相关向量机可以建立适用于个人的疲劳判断标准，避免个人差异导致的判断精度低，弥补预设的标准数据对个人状态进行判断时不精确的缺陷。
本发明方法运用camshift算法结合adaboost算法获取面部帧图像可以克服光照对面部的影响。
具体实施方式
下面结合实施例对本发明作进一步说明。
本发明的驾驶疲劳预警方法，包括如下步骤：
步骤1：获取驾驶员的面部帧图像，基于面部帧图像从云服务器获取个人数据；
步骤2：获取面部帧图像，在面部帧图像上定位眼部区域以及嘴部区域；
步骤3；获取眼睛状态，总帧数加一，并判断当前面部帧图像中眼睛的闭合状态，
当眼睛是闭合状态时，闭眼帧数加一；
获取嘴部状态，判断当前面部帧图像中嘴部的张开状态，
当嘴部是张开状态时，获取开口度，存入开口度集，张开帧数加一；
步骤4：对总帧数以及嘴部张开状态变化进行判断
当总帧数达到预设处理帧数时，基于闭眼帧数以及帧数总数计算闭眼占比，重置帧数总数，执行步骤5；
当未达到预设处理帧数时，执行步骤2至步骤4；
当嘴部由张开状态变成闭合状态时，从开口度集中获取最大开口度，通过张开帧数计算张口持续时间，重置开口度集，重置张开帧数，执行步骤5；
当嘴部张开状态未变化时，执行步骤2至步骤4；
步骤5：判断个人数据中是否有个人疲劳标准数据，
当没有个人疲劳标准数据时，执行步骤a51；
当有个人疲劳标准数据时，执行步骤b51；
步骤a51：将所述步骤4中的闭眼占比与预设闭眼占比数据比较，
当闭眼占比大于预设闭眼占比数据时，判断驾驶员处于疲劳状态；
将所述步骤4中的最大开口度与预设开口度标准数据比较，并将张口持续时间与预设张口时间比较，
当最大开口度大于预设开口度标准数据以及张口持续时间大于预设张口时间时，判断驾驶员正在打哈欠；
执行步骤2至步骤4；
步骤b51：从个人疲劳标准数据中获取个人闭眼占比数据，将所述步骤4中的闭眼占比与个人闭眼占比数据比较，
当闭眼占比大于个人闭眼占比数据时，判断驾驶员处于疲劳状态；
从个人疲劳标准数据中获取个人开口度标准数据以及个人张口时间，将所述步骤3中最大开口度与个人开口度标准数据比较，并将张口持续时间与个人张口时间比较
当最大开口度大于个人开口度标准数据以及张口持续时间大于个人张口时间时，判断驾驶员正在打哈欠；
执行步骤2至步骤4。
具体来说：
步骤1中本发明方法运用到云服务器对个人数据进行存储，根据驾驶员的面部图像进行登录获取个人数据，从而实现驾驶员在驾驶任何车辆时都可以根据驾驶员个人数据情况对驾驶状态进行监控。个人数据主要包括个人的身份信息、个人疲劳标准数据。驾驶员初次使用本发明方法对疲劳度进行检测时，必须完善个人的身份信息，个人疲劳标准数据未非必须信息。
步骤2中通过adabosst算法配合camshift算法获取来对驾驶人员面部进行跟踪并获取面部帧图像，并在面部帧图像中识别出眼部区域以及嘴部区域，面部帧图像为连续面部图像中的某一帧的图像。
步骤3中先在眼部区域和嘴部区域中提取眼部轮廓和嘴部轮廓，再将眼部轮廓和嘴部轮廓坐标化处理。通过眼部轮廓坐标和嘴部轮廓坐标可以获取眼部和嘴部的开合状态。
当获取的眼睛状态为闭合时，将闭眼帧数加一，由于本发明方法是对每一帧图像进行处理，所以累计的闭眼帧数相当于眼睛闭合的时间，累计的总帧数相当于某一段连续的面部图像的时长。
当获取的嘴部状态为张开时，先判断该帧图像之前嘴部是否已经张开，可以通过建立标志位来实现，当该帧图像之前嘴部未张开，则通过标志位表示此时开始一个新的张口过程。由于嘴部张开的开口度会随时间而变化，且张开过程会延续数个帧，所以建立一个开口度集对此次张口的数个开口度进行储存，并通过张开帧数反应此次嘴部张开的持续时间。其中，嘴部的开口度为嘴巴张开的高度与嘴角的间距的比值。
步骤4中本发明方法是通过对一段连续的面部图像中闭眼帧数的占比来反应疲劳状态的，即当用于反应连续面部画面时长的总帧数累计达到预设处理帧数时，计算闭眼帧数与总帧数的比值，即为闭眼占比。
由于步骤3中是当嘴部张开时对开口度和张开帧数进行记入的，且嘴部张开是一个持续性过程，所以当检测到嘴部从张开状态变成闭合状态时，说明已经完成一个张合过程，此时在开口度集中获取最大的开口度以及通过张开帧数获取张合过程的持续时间即张口持续时间。
由于面部图像是实时采集的，而本发明方法是对采集图像的每一帧进行处理的，步骤2至步骤4是对某一帧图像的处理过程，所以当步骤4中的条件未达成时会重复该过程，直至条件满足开始后续对疲劳度判断的步骤。
步骤5中根据步骤4中获取的闭眼占比、最大开口度以及张口持续时间对驾驶员疲劳度进行判断。判断采用两种方式，一种是与预设的参数值进行比较，另一种是与针对个人的参数值进行比较，参数值包括闭眼占比数据、开口度标准数据以及张口时间。预设的参数值是一个笼统的值，是针对大众的阀值。
当个人数据中没有个人疲劳标准数据时，采用上述第一种方法，其中预设闭眼占比数据优选0.4，预设开口度标准数据为0.65，预设张口时间为2.1s，上述数据经过比较试验获得。当步骤4中获取的数据达到预设值时，判定驾驶员处于疲劳状态。
当个人数据中有个人疲劳标准数据时，采用第二种方法时，其中闭眼占比数据、开口度标准数据以及张口时间是针对个人的状况进行针对性设置。当步骤4中获取的数据达到个人预设值时，判定驾驶员处于疲劳状态。
利用受训相关向量机针对性强的特点，步骤5中优选将计算疲劳度的疲劳度受训相关向量机作为个人疲劳度标准数据对步骤4中获取的数据进行疲劳度的判断。只要将步骤4中获取的数据放入疲劳度受训相关向量机中，根据输出结果判断驾驶员疲劳状态。
疲劳度受训相关向量机可以通过手动输入数据的方式建立。手动输入的闭眼占比数据、开口度标准数据、张口时间以及对应的判断结果是通过该驾驶员在实验环境下测试获得的，数据准确性较低。
疲劳度受训相关向量机优选的是在驾驶员使用本发明方法检测疲劳度时实时建立的，在步骤a51之后，将步骤a51中使用的闭眼占比、最大开口度、张口持续时间以及对应的判断结果作为向量机的训练用参数，来输入到特征参数数据矩阵逐步建立对应的受训相关向量机。通过实时数据建立的疲劳度受训相关向量机，可以提高受训相关向量机处理结果的的准确性。
由于检测过程是一个连续性过程，所以当步骤5执行完毕后会重新从步骤2开始执行，该步骤循环直至检测结束。
可以通过且不局限于现有的图像采集器配合本发明方法获取本发明方法所需的面部帧图像。本发明方法可以在云服务器中运行，借助云服务器对本发明方法中所需的个人数据进行存储，也可以在本地处理器中运行，在本地存储介质中对个人数据进行存储。运用云服务器可以提高本发明方法的适用性以及方便性。
除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。